|
|
Vyhledávání obrazu na základě podobnosti
Harvánek, Martin ; Mašek, Jan (oponent) ; Burget, Radim (vedoucí práce)
V práci sú implementované metódy: kruhových sektorov, momentov farieb, vektoru spojitych farieb a Gáborových filtrov, ktoré sú založené na obrazových charakteristikách nízkej úrovne. Tieto metódy boli vyhodnotené po nájdení optimálnych parametrov. Hľadanie optimálnych parametrov metód je realizované pomocou presnosti klasifikácie učiacich sa algoritmov a operátora krížová validácia v programe RapidMiner. Implementované metódy sú hodnotené na základe celkovej priemernej precíznosti nad množinou obrazov s desiatimi kategóriami - starodávne budovy, pláž, autobus, dinosaurus, slon, kvet, jedlo, kôň, hora, domorodci. Implementovanou modifikáciou (farebný priestor HSB + štatistická funkcia median) metódy kruhových sektorov je dosiahnutá o 8 % vyššia presnosť klasifikácie ako pôvodna metóda uvedená v literatúre. Kombináciou metód momentov farieb, kruhových sektorov a Gáborových filtrov s pridelenými váhovými koeficientami, bol dosiahnutý najlepší výsledok celkovej priemernej precíznosti na úrovni 70,48 % zo všetkých implementovaných metód.
|
|
|
Porovnání mapování NATURA 2000 s výstupy mapování pomocí dálkového průzkumu Země na příkladu krkonošské tundry
Ondrušková, Kateřina ; Kupková, Lucie (vedoucí práce) ; Červená, Lucie (oponent)
Porovnání mapování NATURA 2000 s výstupy mapování pomocí dálkového průzkumu Země na příkladu krkonošské tundry Abstrakt Bakalářská práce je zaměřena na porovnání mapování NATURA 2000 s výsledky klasifikace družicových snímků Landsat 8 a WorldView-2 s různým prostorovým rozlišením na příkladu krkonošské tundry. Snímky byly klasifikovány s využitím řízené klasifikace pomocí klasifikátoru Maximum Likelihood a neřízené klasifikace pomocí algoritmu ISODATA. Cílem práce bylo zjistit, jaké kategorie mapování Natura 2000 lze detekovat z družicových dat. Pro všechny klasifikace byla použita upravená legenda Natura 2000 na dvou úrovních. Nejlepších výsledků bylo pro oba snímky dosaženo neřízenou klasifikací na 1. úrovni legendy - celková přesnost pro snímek Landsat 8 byla 64,1 % a pro snímek World-View-2 67,16 %. Pro klasifikace byl použit software ENVI 5.1. Klíčová slova: dálkový průzkum Země, klasifikace řízená, klasifikace neřízená, legenda, přesnost klasifikace, mapování NATURA
|
|
|
Bonitní a bankrotní modely
ONDOKOVÁ, Lucie
Hlavním cílem diplomové práce bylo porovnat vliv rozdílných metodik hodnocení finančního zdraví a předpovědi úpadku na klasifikaci podniku. Práce se zabývá využitelností modelů na vzorku 45 prosperujících a 45 neprosperujících podniků, které jsou v insolvenčním řízení. Výběrový soubor tvoří 33 % podniků z odvětví stavebnictví, 33 % podniků z odvětví velkoobchodu a maloobchodu, 16,7 % podniků zpracovatelského průmyslu a 16,7 % podniků z ostatních odvětví, převážně služeb. V metodice se využívá speciálního typu kontingenční tabulky klasifikační matice, pomocí které lze vypočítat senzitivitu, specificitu, falešnou negativitu, falešnou pozitivitu, správnost, chybovost a další klasifikační statistiky. Celkovou úspěšnost modelu lze získat rozdílem správnosti a chybovosti. Závislosti mezi modely se vypočítaly pomocí Pearsonova korelačního koeficientu. Změny (odstranění šedé zóny a hledání nových optimálních mezí) v modelech byly testovány analýzou citlivosti. V praktické části se vypočítalo 12 finančních modelů (Altmanovy modely Z´ a Z´´, indexy IN99, IN01 a IN05, Kralickův Quicktest, Zmijewskiho model, dvě varianty Tafflerova modelu, Index bonity, Grünwaldův index bonity, Bilanční analýza I). Pouze dva poměrové ukazatele (rentabilita aktiv a tržby ku aktivům) měly významný podíl na výsledcích ve více než jednom modelu. Poté byly jednotlivé podniky klasifikovány prostřednictvím modelů. Z výsledků vyplývá, že největší míru úspěšnosti klasifikace dosáhly model Zmijewski a Altmanův model Z´´. Na druhou stranu nejhůře dopadly index IN99 a obě verze Tafflerova modelu. Z hlediska příčin neměly na klasifikaci velký vliv extrémní hodnoty modelů, stáří modelu nebo země původu modelu (pracovní hypotéza 1). Na základě výsledků bylo dále zjištěno, že úspěšnost klasifikace finanční tísně je vyšší u většiny modelu 3 roky před vyhlášením úpadku (pracovní hypotéza 2). Dále bylo zjištěno, že odvětví sledovaných podniků výrazně ovlivňuje úspěšnost klasifikace bonitních i bankrotních modelů. Nakonec byly navrženy změny v modelech nejhůře hodnocených modelů na základě analýzy citlivosti. Všechny tři navržené změny zvýšily úspěšnost klasifikace modelů.
|
|
|
Vyhledávání obrazu na základě podobnosti
Harvánek, Martin ; Mašek, Jan (oponent) ; Burget, Radim (vedoucí práce)
V práci sú implementované metódy: kruhových sektorov, momentov farieb, vektoru spojitych farieb a Gáborových filtrov, ktoré sú založené na obrazových charakteristikách nízkej úrovne. Tieto metódy boli vyhodnotené po nájdení optimálnych parametrov. Hľadanie optimálnych parametrov metód je realizované pomocou presnosti klasifikácie učiacich sa algoritmov a operátora krížová validácia v programe RapidMiner. Implementované metódy sú hodnotené na základe celkovej priemernej precíznosti nad množinou obrazov s desiatimi kategóriami - starodávne budovy, pláž, autobus, dinosaurus, slon, kvet, jedlo, kôň, hora, domorodci. Implementovanou modifikáciou (farebný priestor HSB + štatistická funkcia median) metódy kruhových sektorov je dosiahnutá o 8 % vyššia presnosť klasifikácie ako pôvodna metóda uvedená v literatúre. Kombináciou metód momentov farieb, kruhových sektorov a Gáborových filtrov s pridelenými váhovými koeficientami, bol dosiahnutý najlepší výsledok celkovej priemernej precíznosti na úrovni 70,48 % zo všetkých implementovaných metód.
|
|
|
Classification Methods for Brain-Computer Interface
Bobrov, P. ; Frolov, A. A. ; Húsek, Dušan
The performance of four classifiers for Brain Computer Interface (BCI) systems based on multichannel EEG recordings is tested in this work. The classifiers are designed to distinguish EEG patterns corresponding to performance of several mental tasks. It is shown that relatively simple classifiers based on the Bayesian approach are comparable in classification accuracy with more sophisticated classifiers based on Common Spatial Patterns and Common Tensor Discriminant Analysis
|
|
|
Má smysl vyvíjet nové metody výběru příznaků?
Somol, Petr ; Novovičová, Jana
Jedno z aktuálních témat diskutovaných v současné době ve vztahu k oboru rozpoznávání je otázka skutečné účinnosti moderních metod výběru příznaků. Výběr příznaků je stále zkoumaná oblast neboť může zlepšit jak účinnost tak i hospodárnost automatických rozhodovacích systémů v mnoha aplikačních oblastech, z nichž mezi nejdůležitější patří lékařská diagnostika. Výběr příznaků může také zlepšit účinnost klasifikátorů, navržených na základě omezeného množství dat, nebo přispět k interpretaci modelů. Zejména poslední dobou bylo vyvinuto mnoho metod a metodologií slibujících významné zlepšení. Nicméně objevila se také řada kritických příspěvků prohlašujících, že jednoduché staré nástroje jsou ve skutečnosti lepší než složité moderní metody, které, navzdory slibům, selhávají v reálných aplikacích. Ve zprávě zkoumáme toto tvrzení, ukazujeme několik ilustrativních příkladů, vyvozujeme závěry a doporučení týkající se očekávané účinnosti metod výběru příznaků.
|
host ::
RSS.